做数据分析时，经常要看看两个变量之间有没有关系。比如你怀疑广告投入越多，销售额就越高，这时候回归分析就能派上用场。R语言在处理这类问题上特别顺手，几行代码就能搞定。
\n\n准备数据
\n先假设你有一组数据：某公司连续12个月的广告费用和对应销售额。可以手动输入一个简单数据框：
\ndata <- data.frame(\n 广告费 = c(10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65),\n 销售额 = c(25, 30, 35, 40, 45, 52, 58, 63, 70, 75, 80, 85)\n)做线性回归
\n用 lm() 函数就能拟合模型，格式是“因变量 ~ 自变量”：
model <- lm(销售额 ~ 广告费, data = data)\nsummary(model)运行后会看到输出结果，重点关注系数那一列。比如显示广告费的系数是1.1，说明每多投1万元广告，平均能带来1.1万元销售额增长。截距项则是基础销售额。
\n\n画图看看拟合效果
\n光看数字不够直观，加个散点图再叠回归线更清楚：
\nplot(data$广告费, data$销售额, \n xlab = \"广告费用（万元）\", ylab = \"销售额（万元）\", \n main = \"广告费与销售额的回归关系\")\nabline(model, col = \"red\")图上红线条就是回归线，如果点大致沿着线分布，说明模型拟合得不错。
\n\n预测新值
\n想预估下个月投70万广告能卖多少？直接用 predict()：
new_data <- data.frame(广告费 = 70)\npredict(model, new_data)返回的结果就是预计的销售额，方便做预算规划。
\n\n多个影响因素也能处理
\n现实中销售可能还受促销、季节影响。如果有更多变量，比如促销力度：
\ndata$促销 <- c(3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14)\nmodel_multi <- lm(销售额 ~ 广告费 + 促销, data = data)\nsummary(model_multi)这样就能同时评估两个因素的作用，哪个影响更大一眼就能看出来。
\n\n学会这些基本操作，日常工作中遇到类似问题就不用求人了。R统计怎么做回归分析？其实就是从读数据开始，跑模型、看结果、画图验证，一步步来就行。”,"seo_title":"R统计怎么做回归分析 - 数码工坊表格技巧","seo_description":"想知道R统计怎么做回归分析？本文用实际例子带你一步步实现线性回归，包含代码示例、图表绘制和结果解读，适合初学者快速上手。","keywords":"R统计,回归分析,R语言回归,数据分析技巧,线性回归"}